超越分类：目标检测中校准的定义与基于密度的估计

Dec, 2023

超越分类：目标检测中校准的定义与基于密度的估计

Beyond Classification: Definition and Density-based Estimation of Calibration in Object Detection

Teodora Popordanoska, Aleksei Tiulpin, Matthew B. Blaschko

TL;DR该研究论文探讨了在深度神经网络中定义和估计检测校准误差的挑战，并提出了一种一致且可微的检测校准误差估计器，利用核密度估计，实验证明该估计器在保持相似检测性能的同时，对竞争的训练时和事后校准方法更为有效。

Abstract

Despite their impressive predictive performance in various computer vision tasks, deep neural networks (DNNs) tend to make overly confident predictions, which hinders their widespread use in safety-critical applications. While there have been recent attempts to calibrate DNNs, most of

deep neural networks calibration error object detection structured output spaces kernel density estimation

发现论文，激发创造

目标检测的多类置信度和定位校准

本文使用新的训练技术，利用预测不确定性联合校准多类置信度和边界框定位，在多个数据集中测试表明，该方法可以有效地提高现代物体检测方法的校准性能。

Jun, 2023

目标检测的多元置信度校准

提出了一种新的方法来测量并校准物体检测方法的偏置（或机器不准确）置信度估计，使用附加信息可以在图像位置和框比例方面获得校准的信心估计，并提出了一种新的度量方法来评估物体检测器的不准确性。

Apr, 2020

精度和置信度的桥梁：一种用于校准目标检测的训练时损失

本文针对深度神经网络 (DNNs) 对于物体检测模型的校准问题，提出了一种新的辅助损失函数公式来对齐边界框类别置信度和准确性，并通过在多个基准数据集上的实验验证其有效性。

Mar, 2023

神经网络的软校准目标

为了更好地进行决策，神经网络的不确定性需要和其经验准确性相一致。本研究提出基于连续的分组操作的可微损失函数用于改善神经网络的校准。实验结果表明使用此方法不仅能大幅度降低误差校准误差，还能在保持准确性不变的同时，得到更好的不确定性估计。

Jul, 2021

评估目标检测中的不确定性校准的理论和实践框架

本研究提出了一个理论和实践框架，用于评估不确定性校准的对象检测系统，通过一系列的实验表明了所提出的不确定性校准度量的稳健性。

Sep, 2023

不确定性校准及其在物体检测中的应用

本文讨论了使用现代神经网络进行多目标检测的方法，并考虑了该检测方法的不确定性。作者提出了一些对象定位的精度检测方法，并研究了对检测误差的影响。该文章还讨论了空间不确定性的问题，并介绍了一些校准方法。最后，作者结合以往方法，展示了在车辆自动驾驶等场景中实现定位校准的应用。

Feb, 2023

目标定位任务中的不确定性校准

应用于自动驾驶和手术机器人等许多安全关键应用中，从对象检测模块获取预测不确定性以帮助支持安全决策是可取的。本文中我们介绍了一种方法用于解决单个对象定位任务的边界框的不确定性问题。我们使用现有技术来校准回归模型，实验表明所得出的校准模型得到了更可靠的不确定性估计。

Nov, 2018

从黑盒到白盒：在不同条件下检验置信度校准

研究通过非最大抑制等后处理技术对物体检测模型信心率校准的影响，发现后处理技术高度影响信心率校准，导致过度信任且因此被错误校准的模型。

Jan, 2021

Cal-DETR: 分类校准检测器

提出一种用于校准检测变压器的机制，以减少深度神经网络在目标检测中的错误率并提高其校准性能。

Nov, 2023

自动驾驶概率物体检测器的校准 —— 我们能信任你吗？

本文提出三种实用方法，旨在显著减少激光雷达 3D 物体检测网络中不确定性的估计误差，以达到更加准确的不确定性校准，从而最大程度地提高安全性。

Sep, 2019